Инструментальное «я»: что измеряют носимые устройства и чего они не видят

Носимые устройства и биосенсоры обещают то, что клиническая медицина почти никогда не предлагает человеку вне болезни: непрерывный, личный отчёт о состоянии собственного тела. Это обещание сбывается лишь наполовину. Часть того, что измеряют эти устройства, на удивление хорошо подтверждается клиническими эталонами. Часть — нет, и маркетинг редко проводит границу между этими двумя. А как только устройство превращает телесный процесс в единое ежедневное число — «показатель готовности», «показатель сна», — это число имеет обыкновение становиться самоцелью, порой в ущерб тому, что оно было призвано описывать.

Ношу данные с 2009 года

Я ношу устройства, заявляющие, что измеряют моё тело, с 2009 года — года, когда Fitbit выпустил свой первый трекер: сначала тот самый Fitbit, крепившийся к поясу, затем Jawbone UP на запястье, маленький алюминиевый диск Misfit Shine, а позже — кольцо Oura и ремешок Whoop. Сам я никогда не носил монитор непрерывного контроля глюкозы, но пристально наблюдал за этим устройством со стороны: близкие и друзья пользовались CGM и как назначенной врачом необходимостью для управления диагностированным диабетом, и — в последнее время — как факультативной покупкой во имя благополучия, вообще без диагноза за спиной. Этот разрыв между двумя способами использования — один привязан к клиническому порогу, другой — к панели приложения по подписке — оказывается важным, и я к нему ещё вернусь.

В Google я также какое-то время тестировал на себе внутренние функции здоровья и фитнеса, которые вышли на Pixel и на аппаратуре Fitbit после поглощения компании, — проверяя точность датчиков и логику подсчёта показателей в сравнении с теми же конкурентами, о которых идёт речь в этом эссе, включая Whoop и Apple, изнутри конвейера, а не только как потребитель, надевающий кольцо каждое утро. Отчасти поэтому я скептически отношусь и к критикам этой технологии, и к её маркетологам: по-настоящему интересные сбои редко бывают очевидными.

В 2012 году я преподавал в Singularity University вместе с Рэйчел Калмар — уже тогда одним из наиболее строгих голосов в движении, которое только что получило название «quantified self» («измеряемое я»). Калмар, нейробиолог по стэнфордскому образованию, впоследствии работала дата-сайентистом в Misfit и ещё много лет оставалась заметным голосом в методологии носимых устройств и quantified-self — она всё ещё рассуждала о биохакерской периферии этой области в подкасте a16z в 2017 году, — прежде чем перенести те же основанные на данных инстинкты в продуктовые роли в здравоохранении и биотехе в Biogen, Tableau и, совсем недавно, Moderna. Её самый известный эксперимент здесь одновременно служит методологическим полевым исследованием: она носила одновременно двадцать один трекер активности и фитнеса, просто чтобы увидеть, где их показания совпадают, где расходятся и что это расхождение говорит о том, что на самом деле измерял каждый из них по отдельности. Её вывод — что устройства расходились друг с другом сильнее, чем позволяли предположить их единые числовые показатели, и что каждое из них запирало свои данные в собственном изолированном хранилище, что затрудняло сравнение даже для эксперта, — верен для сегодняшних носимых устройств не меньше, чем для тех, что она изучала.

Краткая история самоотслеживания

Самоотслеживание предшествует смартфону на столетия — узнаваемыми предками можно считать и «дневник добродетелей» Бенджамина Франклина, и дневники веса и пульса, которые в XIX веке вели пациенты врачей, — но у нынешней волны есть конкретный момент зарождения. В 2007 году редакторы Wired Гэри Вулф и Кевин Келли ввели термин «quantified self» («измеряемое я») для описания «сотрудничества пользователей и создателей инструментов, которых объединяет интерес к самопознанию через самоотслеживание», и начали проводить неформальные встречи-презентации в Сан-Франциско. Эссе Вулфа 2010 года в New York Times Magazine, «Жизнь, управляемая данными» (The Data-Driven Life), донесло эту рамку до массовой аудитории как раз тогда, когда техника догнала амбиции: Fitbit (2009), Misfit Shine (профинансирован на Indiegogo в 2012 году), Jawbone UP и смарт-часы Pebble вышли в течение нескольких лет друг за другом — каждый делал ставку на то, что потребители заплатят за возможность увидеть цифры о себе, которые прежде были видны только в лаборатории.

Эксперимент Калмар с двадцатью одним трекером относится к этому основополагающему периоду, и его стоит рассматривать как нечто большее, чем курьёз. По сути, это было нефинансируемое валидационное исследование потребительского самоотслеживания — ещё до того, как кто-либо в индустрии провёл подобное в промышленном масштабе, — и оно на десятилетие раньше предвосхитило центральный вывод рецензируемой валидационной литературы, появившейся позже: устройства, измеряющие «одно и то же» — шаги, сон, пульс, — регулярно расходятся друг с другом на величины, о которых их единый выводимый на экран показатель никогда не сообщает.

С тех пор категория консолидировалась и специализировалась. Misfit была куплена Fossil Group в 2015 году; Fitbit, после многих лет как доминирующее имя в категории, была приобретена Google в сделке, закрывшейся в январе 2021 года после четырнадцатимесячной антимонопольной проверки, и её аппаратно-программная линия сегодня напрямую питает Pixel Watch. Whoop и Oura, обе основанные в 2010-х годах, полностью отказались от экрана в пользу подписной, алгоритмически рассчитываемой цифры «восстановления» или «готовности», сделав ставку на то, что потребителям нужен ответ больше, чем сырые данные. Мониторы непрерывного контроля глюкозы, изначально рецептурное медицинское устройство для управления диабетом, в начале 2020-х годов начали продвигаться напрямую метаболически здоровым потребителям на посылке, что вариабельность глюкозы — это общий сигнал благополучия, за которым стоит следить непрерывно, а не только когда врач назначает анализ крови.

В чём эти устройства правы

Первое, что стоит сказать в защиту носимых устройств: часть того, что они измеряют, они измеряют хорошо. Валидационное исследование 2022 года разместило пятьдесят три взрослых участника на ночь в лаборатории сна, подключив их к полисомнографии — клиническому золотому стандарту, — пока они одновременно носили Apple Watch, кольцо Oura, ремешок Whoop и три других потребительских устройства. Для базового бинарного вопроса — спал человек или бодрствовал в данный момент — совпадение с полисомнографией составило 88% для Apple Watch, 89% для Oura и 86% для Whoop. Что касается конкретно вариабельности сердечного ритма, у Whoop внутриклассовая корреляция с клиническим эталоном составила 0,99, тогда как у Oura она составила 0,63 — неплохо, но далеко от почти идеального совпадения, которое показал Whoop.

Это не тривиальный результат. До появления непрерывных потребительских датчиков единственным доступом большинства людей к собственному пульсу покоя, вариабельности сердечного ритма или времени сна было эпизодическое клиническое измерение, сделанное в единственный момент в нетипичных условиях — эффект «белого халата» задокументирован даже для одного лишь артериального давления. Устройство, которое отслеживает одну и ту же величину каждую ночь, в вашей собственной постели, выстраивает персональную базовую линию и запись собственного дрейфа на протяжении месяцев — то, чего не даст ни один ежегодный медосмотр. Ценность заключена не столько в отдельном показании, сколько в тренде, который показания раскрывают вместе, — по той же причине, по которой серия опросов говорит больше, чем любой отдельный опрос.

Отсюда и практическая польза. Миллионы людей сегодня имеют непрерывный, недорогой доступ к физиологическим базовым показателям, для получения которых поколение назад потребовалось бы научное исследование или госпитализация, и этот доступ приносит реальную клиническую пользу: раннее обнаружение мерцательной аритмии с помощью потребительских смарт-часов, всё ещё несовершенное, уже приводило к последующему лечению в случаях, которые иначе остались бы незамеченными между ежегодными медосмотрами.

В чём эти устройства ошибаются

То же исследование 2022 года в лаборатории сна, которое обнаружило совпадение в 86–89% для простого различия сон/бодрствование, показало гораздо менее лестный результат, как только вопрос усложнился. При классификации сна по клинически значимым стадиям — лёгкий, глубокий и REM — совпадение с полисомнографией упало до 53% для Apple Watch, 60% для Whoop и 61% для Oura. Иными словами, устройства хорошо справляются с вопросом, спите ли вы; по стандартной клинической мере они плохо справляются с вопросом, какой именно сон вы получаете, — а это как раз то различие, на котором с наибольшей уверенностью настаивает маркетинг большинства носимых устройств: график глубокого сна, процент REM, гипнограмма стадий сна, которую показывают каждое утро так, будто она столь же надёжна, как лежащая в её основе линия сон/бодрствование.

Мониторы непрерывного контроля глюкозы демонстрируют параллельный разрыв. Среди людей с диабетом, для которых CGM разрабатывались и строго валидируются по анализам крови, такие устройства, как Dexcom G6 и FreeStyle Libre 3, показывают среднюю абсолютную относительную разницу (MARD) в диапазоне 8–9% — достаточно для решений о дозировке инсулина. Но растущий рынок CGM, продаваемых метаболически здоровым потребителям без диабета, опирается на гораздо более слабую валидацию: одно исследование широко используемого датчика на тридцати четырёх здоровых участниках показало MARD в 17,6% — примерно вдвое больше, чем у диабетической популяции, — а большинство исследований, устанавливающих базовые «здоровые» кривые глюкозы, охватывали от нескольких десятков до нескольких сотен человек на протяжении одной-двух недель — размер выборки и длительность, которые в любой другой области клинических исследований считались бы поисковыми, а не подтверждающими. Этот разрыв между двумя сценариями использования соответствует тому, что я наблюдал вблизи, а не на собственном опыте, видя, как близкие и друзья пользуются одним и тем же устройством по разным причинам: при диабетическом диагнозе показатель сверяют с симптомами и указаниями врача и относятся к нему как к прибору, чья точность действительно важна; при факультативном использовании как сигнала благополучия без диагноза за спиной тот же показатель скорее замечают, чем проверяют, — что примерно и предсказывают приведённые выше валидационные данные.

Более глубокая проблема не в погрешности измерения какой-то одной величины — она в том, что происходит, когда несколько неидеально измеренных величин объединяют в один проприетарный показатель. Число «готовности» или «восстановления» обычно представляет собой взвешенный композит вариабельности сердечного ритма, пульса покоя, сна, а иногда температуры кожи или частоты дыхания, объединённых алгоритмом, который производитель не раскрывает полностью. Каждый входной параметр несёт собственную неопределённость измерения; композитный показатель наследует её всю, но не отображает ничего из этого, представляя единое целое число с ложным ощущением клинической точности — тот же трюк, что и погрешность опроса, когда она сообщает об одном источнике неопределённости и молчаливо намекает, что учла их все.

Когда показатель становится целью

Даже идеально измеренная величина создаёт проблему, как только её начинают показывать ежедневно и относиться к ней как к цели. Экономист Чарльз Гудхарт заметил в 1975 году, в критике британской денежно-кредитной политики, что любая статистическая закономерность имеет тенденцию разрушаться, как только на неё начинают давить в целях управления. Антрополог Марилин Стратерн двумя десятилетиями позже дала этой идее её нынешнюю, более хлёсткую формулировку — фразу, которую часто ошибочно приписывают самому Гудхарту, хотя он никогда её не писал, и которую мгновенно узнает любой продакт-менеджер, наблюдавший, как команда оптимизирует метрику до полной бессмысленности:

Когда мера становится целью, она перестаёт быть хорошей мерой.

— Marilyn Strathern, "'Improving ratings': audit in the British university system," 1997

Носимые устройства дают чистую, почти лабораторную иллюстрацию этого механизма. Показатель сна призван описывать сон. Как только кто-то начинает оптимизироваться специально под высокий показатель сна — ложиться раньше не потому, что устал, а потому, что кольцо это поощряет, относиться к низкому показателю готовности как к вердикту, который нужно оспорить, а не к шумной оценке, которую можно отбросить, — показатель стал целью. У клиницистов теперь есть название для возникающей в результате тревожности — «ортосомния»: устройство, призванное успокоить вас насчёт сна, вместо этого делает вас хуже в нём. Устройство не стало менее точным в узком смысле Стратерн; оно стало худшим ориентиром для настоящей цели, которой был отдых, а не число, описывающее отдых.

Динамика обостряется, как только третья сторона привязывает к показателю деньги. Решение John Hancock в 2018 году продавать только «интерактивные» полисы страхования жизни — со скидками на премию до 15% для клиентов, делящихся данными активности с Fitbit или Apple Watch, — превращает частную метрику благополучия в отслеживаемую, стимулируемую цель для внешней стороны, у которой есть собственный интерес в результате. Это в точности та конфигурация, которую описывает закон Гудхарта, и она служит мостом к вопросу, которым прямо занимается третье эссе этой серии: что происходит, когда личный биометрический поток данных пересекает институциональный порог и становится вводом для чужого решения.

Итог

Носимые устройства и потребительские биосенсоры заслуживают доверия неравномерно, а маркетинг редко в этом признаётся. Они хорошо валидируются против клинических эталонов для одних величин — времени сна/бодрствования, вариабельности сердечного ритма — и плохо для других, включая показатели стадий сна и вариабельности глюкозы, которые их интерфейсы подают с наибольшей графической уверенностью. Этот разрыв между тем, что хорошо измерено, и тем, что уверенно отображается, и есть проблема измерения. Поверх неё лежит вторая проблема, которая возникает всюду, где мягкое измерение превращается в жёсткий показатель: как только неопределённое число становится видимым — и особенно как только за ним начинает следить работодатель, страховщик или собственное тревожное внимание, — показатель начинает формировать поведение, которое он был призван лишь описывать. Устройство, обещавшее самопознание, в итоге может производить слегка иное «я» — откалиброванное под число, а не под то, каково это на самом деле — быть хорошо отдохнувшим. Двадцать один трекер Рэйчел Калмар, тихо расходившихся друг с другом на её запястье десятилетие назад, говорили о том же ещё до того, как всё это получило название.